Tema2

Tema 2
Elementos de un sistema
de percepción
Percepción Computacional

©UniversidadInternacionaldeLaRioja(UNIR)
Índice
Esquema 3
Ideas clave 4
2.1. ¿Cómo estudiar este tema? 4
2.2. Objetivos 4
2.3. Descubriendo los elementos esenciales de un
sistema de percepción 5
2.4. Captura de información 8
2.5. Procesamiento de la información 18
2.6. Toma de decisión 23
2.7. Referencias bibliográficas 24
Lo + recomendado 26
Test 28

Tema 2. Esquema
3
Esquema
ELEMENTOSDEUNSISTEMADEPERCEPCIÓN
DESCUBRIENDOLOSELEMENTOSESENCIALESDEUNSISTEMADEPERCEPCIÓN
CAPTURADEINFORMACIÓN
PROCESAMIENTODELAINFORMACIÓN
Imitandoalmundoanimal
•Parámetrosquedefinenunaadecuadacapturadeinformación
•Tiposdesensoresparalacapturadeinformación
•Conversiónanalógico-digital(A/D)
•Preprocesamientodelainformación
OBJETIVOS
Limitacionesdeimitarelmundoanimal
Filtrosysuavizadodela
información
Segmentaciónydetección
deregiones
Extracciónde
características
TOMADEDECISIÓN

Tema 2. Ideas clave
4
Ideas clave
2.1. ¿Cómo estudiar este tema?
Para estudiar este tema deberás leer con atención las ideas clave que se desarrollan a
continuación.
2.2. Objetivos
l objetivo principal de este tema es entender los elementos más
importantes de un sistema de percepción y cómo, desde el punto de vista
computacional, se desarrolla cada módulo de dicho sistema.
En definitiva, se busca dar una visión general de aquellos ingredientes necesarios
para que un sistema de percepción computacional tenga sentido y pueda resolver
problemas reales.
En este tema no se busca entender los métodos concretos de cada módulo que
integra el sistema de percepción (puesto que esos métodos serán material para los
siguientes temas).
E

Tema 2. Ideas clave
5
2.3. Descubriendo los elementos esenciales de un
sistema de percepción
Imitando al mundo animal
Existen múltiples maneras de describir los sistemas de percepción. En este tema
seguiremos un enfoque que irá del aspecto más genérico al más concreto. Es
necesario entender que, en todo momento, los sistemas de percepción intentan
imitar a la naturaleza y es, por tanto, lógico pensar que si queremos modelar
adecuadamente un sistema, tenemos que empezar por considerar ciertas
simplificaciones.
Por ello, sin dejar de imitar a la naturaleza, intentaremos modelar sistemas que
reflejen el comportamiento de organismos sencillos, como puede ser el de
individuos que ni siquiera poseen ojos o elementos concretos para la captura de
información visual, como el caso de los moluscos. Estos seres realizan tres funciones
de percepción muy sencillas:
Captura de información
 Este proceso consiste en obtener estímulos del exterior que reflejen qué actividad
(movimientos, cambios de temperatura, amenazas, etc.) está teniendo lugar.
 La captura de información puede considerar múltiples estímulos principalmente
físicos, mecánicos o químicos.
 La información recogida es normalmente mayor que la necesitada para entender
el exterior. La adaptación de ese exceso de sensibilidad a las necesidades del
entorno es parte de la propia evolución.
Procesamiento

Tema 2. Ideas clave
6
 La información capturada necesita de un procesamiento posterior para eliminar
los datos innecesarios y redundantes; entender si está siendo suficiente y, en caso
contrario, redirigir la captura de información hacia otro punto del espacio o bien
combinar la información proveniente de una determinada fuente con otras
fuentes o con informaciones pasadas.
 Sin este procesamiento, un ser vivo podría tomar conclusiones erróneas,
confundir eventos o incluso conducirlo a su extinción.
 Una de las características esenciales de este procesamiento es que debe, en todo
momento, realizarse a la misma velocidad con la que los datos iniciales se están
capturando. De esa manera, se asegura de que la información que está llegando
al cerebro es únicamente la necesaria.
 Por el contrario, un animal que almacene, por ejemplo, todo lo que ha oído
durante el día y lo analice durante la noche, no podrá esquivar el ataque
instantáneo de un depredador.
Toma de decisión y aprendizaje
 El fin principal de la percepción del exterior no es otra que la toma de decisiones.
 Una mejor toma de decisiones (basada en más información, contexto o diversidad
de fuentes) conducirá, sin lugar a dudas, a una ventaja competitiva mayor.
 Esa toma de decisiones tiene una consecuencia directa también: el aprendizaje. El
ser vivo aprenderá que un determinado estímulo asociado a una determinada
decisión tendrá unas consecuencias. Esas consecuencias serán almacenadas para
optimizar tanto la toma de decisiones como la captura de información.
 La percepción del exterior es clave para el aprendizaje.
El siguiente esquema captura los puntos anteriormente vistos, enfatizando el hecho
de que es un proceso iterativo y constante.

Tema 2. Ideas clave
7
Figura 1. Esquema reducido de percepción del exterior.
Limitaciones de imitar el mundo animal
Los tres puntos anteriormente vistos (captura de información, procesamiento y toma
de decisiones) proporcionan una visión muy general de lo que puede ser un sistema
de percepción computacional.
Si sustituimos:
 El módulo de captura de información por una cámara de vídeo.
 El módulo de procesamiento por un filtrado muy sencillo en color, quedándonos
con las componentes en azul, por ejemplo.
 Y en la toma de decisiones aplicamos una regla que diga si la imagen contiene
componentes en azul en más de un 70 % del total.
Podríamos tener un detector de mares o un detector de cielos.
Es un ejemplo muy sencillo, pero muy limitado a una funcionalidad concreta. De
hecho, con estos tres módulos es muy complicado hacer funcionalidades más
complejas como detectar movimiento, seguir un objeto, analizar la textura de una
foto o incluso analizar la forma de un objeto.

Tema 2. Ideas clave
8
Las simplificaciones heredadas de la naturaleza nos ayudan a entender los pasos más
esenciales que suceden delante de nuestros ojos, pero el adaptarlo a la resolución de
un problema concreto es labor de la inteligencia humana.
Esto es lo que haremos en este tema, entender qué elementos adicionales son
necesarios en el esquema de percepción del exterior para desarrollar módulos
avanzados de percepción computacional y dar respuesta a los problemas que se
plantean actualmente.
2.4. Captura de información
Parámetros que definen una adecuada captura de información
En este apartado nos centraremos en todo lo relativo a la captura de información del
exterior. Existen numerosos parámetros que definen cómo es dicha la captura y
puede discutirse cuáles son los más importantes. Sin embargo, los más esenciales son
los siguientes:
Especificidad

Tema 2. Ideas clave
9
La capacidad de un sistema de captura de información para recoger fielmente los
eventos sucedidos es clave. Un ejemplo de especificidad es la temperatura.
Un determinado sensor de vídeo, como puede ser una cámara, puede estar en el
exterior capturando imágenes de tráfico. Al estar en la calle, dicho dispositivo posee
una determinada temperatura. Sin embargo, a pesar de que está sufriendo cambios
de temperatura, no puede determinarla ya que no tiene la sensibilidad necesaria para
medirla. Hace falta, claramente, un termómetro que sea sensible a esos cambios. Los
sensores han de ser creados específicamente para un propósito.
Precisión
El error de medida de un determinado evento es también importante. Continuando
con el ejemplo del termómetro, la precisión indicará cómo es el error de la medida
proporcionada por el dispositivo. Si el termómetro solo puede indicar frío o calor,
tendrá baja precisión. Si es capaz de marcar décimas de grado, será un termómetro
muy preciso.
Sensibilidad
Esta propiedad refleja la capacidad que tiene un determinado sensor de recoger las
fluctuaciones o cambios del evento que se mide. Si la luz en un determinado punto
varía hasta treinta veces al día, pero la cámara no es capaz de detectar más que dos
de esos cambios, es porque la cámara no tiene la suficiente sensibilidad.
Es importante indicar que sensibilidad y precisión van de la mano, pero la precisión
está más orientada a ver cómo difiere la realidad de lo que se ha medido, y la
sensibilidad está más orientada a evaluar cómo se adapta a los cambios de lo que se
mide.

Tema 2. Ideas clave
10
Consumo y tamaño
La mayoría de dispositivos de captura de información necesitan de una fuente de
alimentación para funcionar. En función de la sensibilidad y la precisión (y otros
factores como la cantidad de información capturada) requerirá un consumo de
potencia eléctrica mayor o menor y poseerá un tamaño diferente.
Es necesario considerar el consumo y el tamaño en el diseño de los sistemas de
percepción computacional pues suele ser cierto que consumo y tamaño son
inversamente proporcionales a sensibilidad y precisión.
Existen algunos factores más como pueden ser:
 El precio del sensor.
 La usabilidad.
 La resistencia a agentes externos: si un sensor de temperatura es resistente a la
lluvia o una cámara lo es a temperaturas extremas.
 Amplitud en el rango de la medida.
 La reparabilidad: si es fácilmente reparable…
Tipos de sensores para la captura de información
Existe una gran cantidad de tipología de sensores. Esto es fruto de que el mercado
está dando respuesta a la gran demanda de especificidad que se ha visto
anteriormente (es decir, cada sensor se está haciendo cada vez más específico) e
intenta resolver una casuística concreta.
A continuación presentamos una clasificación genérica para que tengas una visión
panorámica de los sensores que existen a día de hoy:

Tema 2. Ideas clave
11
Figura 2. Tipos de sensores que puedes encontrar en el mercado.
Conversión analógico-digital (A/D)
La conversión analógico-digital es uno de los pasos esenciales para poder procesar
cualquier información. De por sí, dicha conversión daría para una asignatura en sí
misma (incluso para un curso académico), no obstante, en este apartado
resumiremos dos puntos:
 En qué consiste la conversión analógico-digital y cómo funciona.
 Qué tipos de ventajas aporta dicha conversión.
Conversión
En primer lugar, lo que hace es tomar fotografías de la realidad que se está
midiendo. Es decir, si estamos midiendo temperaturas, la conversión analógico-
digital no estaría midiendo constantemente la temperatura en sí, sino que la mediría
a intervalos de tiempos. El valor tomado en cada intervalo, además, se discretizaría,
entendiendo por «discretizar» el reducirlo a un formato concreto de datos.
Pongamos un ejemplo más concreto y aplicable a un caso real de nuestro día a día.
Estamos en un centro comercial y escuchamos la música que nos gusta por los
1. Temperatura.
2. esfuerzos y deformaciones.
3. Movimiento, aceleración y velocidad (lineal y angular).
4. Humedad.
5. Presencia o proximidad.
6. Visión artificial (principalmente cámaras CCD).
7. Caudal.
8. Nivel.
9. Fuerza y presión.
10. Intensidad lumínica.
11. Táctiles.
SE NSORES DE :

Tema 2. Ideas clave
12
altavoces. Queremos guardar esa canción en nuestro móvil y utilizamos la aplicación
micrófono para guardar el sonido del exterior.
 Nuestro móvil tiene un sensor de sonido: un micrófono.
 Posteriormente un conversor analógico-digital. Dicho conversor A/D muestrea la
señal de audio: toma fotos de ella a periodos concretos.
 Convierte cada medida (que es una intensidad) en un dígito binario (por ejemplo,
2.1 voltios).
Esa conversión de intensidades físicas a dígitos binarios es lo que se conoce
como conversor A/D.
Tras dicha conversión, la información almacenada (las fotografías de la señal de
audio) ocupa una cantidad mucho menor que el sonido original y permite la
realización de un pre-procesado (se verá más en detalle en qué consiste esta fase)
que, entre otras tareas, filtra la señal del ruido existente y la protege frente a posibles
errores; todo esto mediante software sin la necesidad de dispositivos hardware
adicionales.
En este gráfico se aprecia cómo la intensidad de una determinada señal a lo largo del
tiempo (valores enteros como 3, 5, 7, 7, 7, etc.) se convierte en formato
digital/binario.

Tema 2. Ideas clave
13
Figura 3. Ejemplo de conversión analógico-digital.
Fuente: http://panamahitek.com/escalando-unidades-de-conversion-analoga-digitales/.
Ventajas
Las ventajas de un conversor A/D son numerosas:
 Reduce enormemente la lógica de procesamiento lo que le permite ser
configurable por medio de software.
 Permite la integración de multitud de sensores en dispositivos corrientes sin
necesidad de una integración compleja.
 La información almacenada es infinitamente menor, lo que ahorra también
espacio de almacenamiento.
 Se puede realizar una transmisión de una información determinada por radio o
infrarrojo tras usar un conversor A/D sin necesitar gran ancho de banda ni perder
información.
 Permite y facilita la compresión de información, puesto que la información ha sido
convertida a formato digital.
¿Existen desventajas? Por supuesto. La principal es la pérdida de información, ya que
la señal se está muestreando.

Tema 2. Ideas clave
14
Para solventar esta desventaja, el teorema de Nyquist-Shannon propone la
frecuencia mínima para muestrear una determinada señal. Este teorema queda fuera
del alcance de este temario, sin embargo, hacemos referencia a la existencia de dicha
frecuencia mínima dada su relevancia.
Preprocesamiento de la información
Antes de empezar con el apartado dedicado al procesamiento de la información
capturada, es necesario añadir una sección dedicada al preprocesamiento. Esta fase
podría tener una entidad propia per se. De hecho, algunos de los temas de esta
asignatura están centrados en el preprocesamiento.
En muchos libros, además, preprocesamiento y procesamiento son sinónimos, siendo
en algunos casos uno sustitutivo de otro.
En esta asignatura entenderemos el preprocesamiento como el tratamiento
realizado inmediatamente después de la captura de la información y que será común
para cualquier procesado posterior que se haga.
Por ejemplo, imaginemos un sistema de percepción computacional que se encarga
de seguir un objeto en pantalla y detectar su forma. En este caso, son dos tareas las
que se realizan para una misma captura de información: vídeo e imagen.
El preprocesamiento del vídeo y de la imagen consistirá en eliminar ruido en la
imagen; asegurar que la iluminación es adecuada; eliminar componentes borrosos
del vídeo o incluso en equilibrar las componentes de color.
Por otro lado, el procesamiento de dicha captura será doble:
 Un procesamiento encargado de facilitar la detección de objetos (eliminando
detalles del fondo, seleccionando los objetos principales, etc.).
 Otro procesamiento encargado de analizar la forma y contorno de los objetos.

Tema 2. Ideas clave
15
¿Podrían incluirse las fases de preprocesamiento dentro del procesamiento? Por
supuesto, pero entonces habría que realizarla dos veces, una para cada tipo de
procesamiento.
Por tanto, el criterio de esta asignatura es definir el preprocesamiento como
el conjunto de tareas que acomodan la captura de información al
procesamiento de la misma.
Adicionalmente, el preprocesamiento puede realizarse, bien sobre la información en
analógico, o bien después de la conversión a digital.
 En el caso de realizarlo sobre la información en analógico, suele tratarse de un
preprocesamiento que involucra hardware como filtros basados en circuitos,
mejores sensores, etc.
 En el caso de realizar el preprocesamiento sobre la información ya digitalizada
(discretizada), este será eminentemente realizado por software o código.
En general, el preprocesamiento realizado de forma digital suele ser más potente,
pero trabaja sobre información ya deteriorada no solo por la captura de la señal, sino
también por la propia conversión A/D que ha propagado el error de medida.
Por el contrario, el preprocesamiento realizado de forma analógica suele ser muy
eficaz, pero menos flexible y poco configurable. Es decir, al ser muy específico, no
puede adaptarse a variaciones en los errores observados.
En general, puede decirse que una combinación de ambos es lo más adecuado,
aunque actualmente el avance de la tecnología en sensorización y en computación
han desplazado la balanza hacia el preprocesamiento realizado de forma digital, ya
que es el elegido en numerosos casos por coste, eficiencia y flexibilidad, dado que los
sensores proporcionan una medida de la realidad muy precisa.
Las tareas más comunes de preprocesamiento suelen cubrir los siguientes aspectos:

Tema 2. Ideas clave
16
Eliminación de ruido
El concepto de ruido es muy amplio y genérico, pero puede entenderse como
pérdidas en la calidad de la información o bien alteraciones de la información. El
ruido más común es el que se produce en una televisión, donde la imagen no es nítida
y se aprecia como algunos píxeles de la pantalla no concuerdan con el contexto de la
imagen.
Actualmente, la mayoría de los sensores ya poseen integrados mecanismos de
reducción de ruido, pero en muchos casos, es necesario una eliminación de ruido
adecuada para asegurar que la señal preprocesada cumple con los requisitos
correctos para una posterior extracción de características y toma de decisiones.
Figura 4. Ejemplos de ruido en una determinada imagen.
Fuente: http://www.clickblog.it/post/194357/cose-il-rumore-dellimmagine-e-come-evitarlo.
Detección de anomalías
La detección de anomalías se produce cuando una de las medidas realizadas carece
de sentido o está fuera de un rango determinado.
Aunque principalmente es algo a evitar, la detección de anomalías puede conducir al
estudio de casos concretos que deriven en un conocimiento más amplio de la

Tema 2. Ideas clave
17
problemática. Por ejemplo, en banca, la detección de anomalías suele estar asociada
con la detección de comportamientos fuera de lo habitual como pueden ser el fraude
o el blanqueo de capitales.
En la siguiente imagen se puede apreciar una anomalía en uno de los latidos de un
determinado momento de la señal.
Figura 5. Detección de anomalías en una señal de Electrocardiograma (ECG).
Fuente: Dunning y Friedman (2014).
Corrección de errores
Aunque puede parecer propio de la codificación o transmisión de señales, la
corrección de errores permite subsanar rápidamente pequeñas perturbaciones en la
captura de información que son estadísticamente corregibles.
Por ejemplo, en una imagen: si en una región todos los píxeles son oscuros y un píxel
es completamente blanco, se puede corregir mediante el análisis de los píxeles
vecinos.
La corrección de errores no suele ser una de las tareas que se realice por defecto en
un preprocesamiento. De hecho, suele venir de una etapa del procesado de
información que puede automatizarse y es común al resto del procesamiento.

Tema 2. Ideas clave
18
Figura 6. Ejemplo de corrección de errores: (Izq.) Imagen donde se han aplicado errores forzando que algunos
píxeles sean blancos. (Dcha.) Imagen reconstruida.
Fuente: http://cnnespanol.cnn.com/2013/01/18/la-mona-lisa-va-a-la-luna-en-la-primera-transmision-laser-
interplanetaria/.
En definitiva, la etapa de preprocesamiento tiene como fin dotar al sistema de
percepción computacional de las herramientas necesarias para:
 Saber si un determinado sensor está funcionando correctamente: un número
elevado de anomalías, errores o ruido puede conducir a la conclusión de que el
sensor no está funcionando correctamente.
 Corregir las posibles desviaciones de los sensores a la hora de realizar una
determinada medida.
 Evitar que los errores en la medida se propaguen hasta la toma de la decisión o,
en otras palabras, asegurar en todo momento que la decisión se está tomando con
la información más limpia posible.
2.5. Procesamiento de la información
legados a este punto, la información ya está depurada, limpia y disponible
para realizar el procesamiento de la información propiamente dicho. Este
depende completamente de la finalidad que se persiga (detectar caras en unL

Tema 2. Ideas clave
19
aeropuerto, leer matrículas de forma automática, detectar enfermedades en la voz,
etc.) y es el núcleo de esta asignatura.
Por ello, en este apartado vamos a dar una visión global de los diferentes métodos
de procesamiento de información existentes y las familias en las que se divide. Todos
estos pueden aplicarse de forma secuencial y no suelen ser excluyentes. De hecho, lo
habitual en problemas reales es aplicar un conjunto de ellos para encontrar la
solución adecuada.
Filtros y suavizado de la información
En general, cuando se habla de filtros se hace referencia a la operación matemática,
bien sobre la señal unidimensional, bien sobre la imagen, que permite eliminar o
potenciar los detalles de la información a procesar. Un filtro puede eliminar los
detalles de una imagen (contrastes, contornos, bordes, etc.) para permitir, por
ejemplo, detectar qué objetos existen en dicha imagen.
El filtrado suele ser una operación computacionalmente costosa pues requiere
recorrer toda la señal unidimensional o toda la imagen, que es una señal
bidimensional.
Las operaciones de filtrado normalmente poseen una operación inversa teórica, pero
puesto que el filtrado y el suavizado de la información conllevan de por sí pérdida de
información, volver a la información original es, aparte de costoso, no muy
satisfactorio. Además, y no menos importante, se puede decir que la mayoría de
filtros son no lineales.

Tema 2. Ideas clave
20
Figura 7. Ejemplo de filtrado de imagen para bajas frecuencias (respetando las altas frecuencias que se
corresponden con los detalles de la imagen).
Fuente: https://blogs.mathworks.com/steve/2013/07/10/homomorphic-filtering-part-2/.
Segmentación y detección de regiones
Por segmentación se entiende la división de la información en conjuntos de datos con
propiedades similares entre ellos.
Un ejemplo claro se aprecia en la segmentación de imágenes. Si consideramos la foto
de un elefante en la sabana, la segmentación deberá distinguir las zonas de la imagen
más generales como son el suelo, el elefante, el cielo y la vegetación. Se podría haber
resumido también en una segmentación de dos elementos: elefante y resto del
paisaje. Esta elección es dependiente de la aplicación que se persiga.
La segmentación y detección de regiones es también una de las operaciones
computacionalmente más costosas que existe en el procesamiento de información.
La dificultad de la segmentación (y que aún se encuentra bajo investigación) es la
detección automática del número de segmentos dentro de una imagen. Es decir,
¿cuántas subimágenes o grupo de píxeles existen dentro de una imagen?
Para realizar una buena segmentación es necesario que la comparación se realice
considerando características extraídas de la imagen como pueda ser el color, la
textura o incluso la coherencia de las regiones.

Tema 2. Ideas clave
21
Fuente: http://ieeexplore.ieee.org/document/7789625/.
Extracción de características
El siguiente paso lógico a la segmentación es la extracción de características,
entendida como un resumen desde el punto de vista analítico de cada región
obtenida.
En otras palabras, la extracción de características hace referencia a la capacidad para
distinguir regiones donde hay diferentes texturas, intensidades o, en el caso de
señales unidimensionales, diferentes patrones de comportamiento.
La extracción de características puede aplicarse inicialmente sobre la señal
unidimensional o sobre la imagen directamente, pero se obtendrá ruido debido a que
los extractores de características considerarán el ruido como parte de la
información. Por eso es recomendable, aunque dependerá del problema en concreto
a resolver, aplicar la extracción de características cuando la información esté
completamente limpia y preprocesada lo máximo posible.

Tema 2. Ideas clave
22
Ejemplos de características que se pueden extraer:
 Componentes en frecuencia de diferentes secciones de una imagen.
 Coeficientes de transformaciones no lineales como puede ser la transformada de
Fourier o de Laplace.
 Suavidad del contorno de un objeto detectado.
 Área del segmento encontrado después de la segmentación.
 Descriptores de texturas de una determinada región.
De todas las fases del procesado de la información, es la que más se está
desarrollando últimamente y donde hay más foco de investigación. Muchos de los
resultados han ayudado a avanzar en la encriptación y la compresión de datos, entre
otros.
En definitiva, la extracción de características permite facilitar la comparación entre
dos regiones dentro de una imagen, entre dos objetos previamente segmentados o
incluso entre dos señales unidimensionales.
En la siguiente imagen vemos como la extracción de características acaba con un
vector de características que facilita su posterior comparación con otro vector.

Tema 2. Ideas clave
23
Fuente: http://perclass.com/doc/guide/feature_extraction/intro.html
2.6. Toma de decisión
ara recapitular, cuando se llega a la toma de decisiones se han realizado los
siguientes pasos que vemos con un ejemplo sobre la lectura de matrículas
de forma automática:
Figura 10. Resumen y ejemplo de las fases anteriores de la de toma de decisiones.
Llegados a este punto tenemos, en el caso de España, cuatro números y tres letras.
De todos los métodos presentados en este apartado, ninguno de ellos nos ayuda en:
 Asegurar que en efecto hay cuatro números y tres letras.
 Asegurar que estoy leyendo realmente una matrícula y no la marca del coche.
 Asociar la región correspondiente a un número con un número concreto. Es decir,
¿cómo asociar un determinado conjunto de píxeles a un número?
 Detectar que no es una matrícula española.
Se ha definido un conjunto de fuentes de información que pueden resultar de
interés para resolver un determinado problema.
Ejemplo: leer de forma automática las matrículas de un coche.
Una vez fijadas las fuentes de información, se han decidido qué sensores emplear
para capturar dicha información.
Ejemplo: cámaras estándar que capturan fotografías cada segundo.
El preprocesamiento consiste en corregir bien si existe desenfoque en la imagen
capturada.
Ejemplo: algo normal, debido a la velocidad a la que se captura la imagen.
El procesamiento consiste en un filtrado para eliminar los detalles de menor
importancia, una segmentación en color y una detección de bordes.
Posteriormente se ha hecho una extracción de características.
Ejemplo: detectar dónde está ubicado cada número y letra de la matrícula.
P

Tema 2. Ideas clave
24
Todas estas tareas deben realizarse en el módulo de toma de decisiones. Dicho
módulo es el encargado de aplicar la lógica final para o bien tomar una decisión: ¿Es
una matrícula registrada?; o bien dar soporte en la toma de decisiones: marcar en
una determinada imagen qué zonas corresponden con paisajes, por ejemplo.
Esta fase debe realizarse principalmente tras la extracción de características.
Considerarla basándonos únicamente en filtrados, segmentaciones o incluso en el
preprocesado no suele ser común y, en muchos casos complica, enormemente la
toma de decisiones. Sin embargo, existen casos donde los módulos de toma de
decisiones pudieran no existir.
Por ejemplo, el coche que es capaz de conducir de forma automática (sin
supervisión); estos coches poseen un módulo capaz de detectar las líneas de las
carreteras. Dicho módulo tiene todos los ingredientes de un sistema de percepción
computacional: captura de la información, preprocesamiento y extracción de
características.
No obstante, dicho módulo no toma ninguna decisión, sino que proporciona la propia
extracción de características a otro módulo que aglutina la información de otras
fuentes y toma la decisión. Con lo cual, puede decirse que dicho módulo de
percepción computacional no toma una decisión, sino que ayuda a otros módulos
tanto a aprender como a dar soporte en la toma de decisiones.
2.7. Referencias bibliográficas
Dunning, T. y Friedman, E. (2014). Time Series Databases: New Ways to Store and
Access Data. Sebastopol: O'Reilly Media.

Tema 2. Ideas clave
25
González, R. C. y Woods R. E. (2007). Digital image processing. Upper Saddle River:
Prentice-Hall, Inc.

Tema 2. Lo + recomendado
26
Lo + recomendado
No dejes de ver
Una introducción a la visión por computador
Charla TED de David Fleet, profesor de la Universidad de Toronto, donde explica
cómo las máquinas procesan lo que «ven» y cómo extraen conclusiones de los datos
reunidos, de la misma manera que nosotros procesamos la información visual.
Accede al vídeo a través del aula virtual o desde la siguiente dirección web:
https://www.youtube.com/watch?v=2H_-wlvWueg

Tema 2. Lo + recomendado
27
Análisis de tráfico
Aquí tenemos un ejemplo de análisis de tráfico basado en procesamiento de vídeo.
https://www.youtube.com/watch?v=z1Cvn3_4yGo
Tracking de objetos con OpenCV
Otro ejemplo de procesamiento de vídeo, en este caso, aplicado al tracking de
objetos mediante OpenCV.
https://www.youtube.com/watch?v=bSeFrPrqZ2A

Tema 2. Test
28
Test
1. Un sistema de percepción necesita únicamente:
A. Un módulo de captura de información, puesto que sin él no puede entender
qué está sucediendo en el exterior.
B. Un módulo de toma de decisiones, puesto que sin él no puede ejecutar
ninguna acción.
C. Ninguna de las anteriores.
2. Un sensor que es capaz de detectar únicamente el nivel de dióxido de nitrógeno
de una ciudad, pero con un error muy grande, posee:
A. Una especificidad muy alta, pero una precisión muy baja
B. Una sensibilidad muy baja
C. Una especificidad baja pero una sensibilidad alta.
3. Si se realizase una segmentación sobre una imagen sin suavizar/filtrar, ¿qué es lo
más probable que pase?
A. El coste computacional sería más alto que empleando el filtrado, puesto que
el número de segmentos podría ser muy alto.
B. El número de segmentos obtenidos sería muy bajo y cada segmento, poco
descriptivo.
C. Ninguna de las anteriores.
4. El objetivo principal del preprocesamiento es:
A. Tomar decisiones en tiempo real y ahorrarse el procesamiento.
B. Reducir la información que se procesa en los siguientes pasos.
C. Asegurar que la calidad de la información que llega al procesamiento es la
máxima posible.

Tema 2. Test
29
5. La toma de decisiones debe hacerse siempre después del procesado y la extracción
de características:
A. Falso.
B. Verdadero.
6. Un radioaficionado decide hacer su primera radio AM, pero no puede escuchar
perfectamente los canales. De las siguientes posibilidades, ¿cuál crees que es la
más adecuada para eliminar dicho ruido?
A. Realizar un filtrado analógico mediante hardware.
B. Usar un conversor A/D y posteriormente un filtrado digital para evitar el filtro
analógico.
C. Combinar el filtrado analógico más el conversor A/D y posteriormente el
filtrado digital.
D. Todas las anteriores son correctas.
7. Un radiólogo aficionado al procesamiento de imágenes decide hacerse un sistema
de segmentación automático que, dada una imagen ya digitalizada, le indica
dónde hay microcalcificaciones en los huesos. ¿Qué pasos tendría que dar?
A. Realizar una extracción de características, ya que la imagen de una
radiografía ya posee un contraste lo suficientemente alto como para distinguir
el hueso del fondo.
B. Realizar una segmentación basada en color para asegurar que el hueso se
distingue con claridad y posteriormente realizar una extracción de
características que conduzca a la detección de las microcalcificaciones.
C. Realizar un filtrado para potenciar un mayor contraste de la imagen, después
una segmentación basada en color y por último una extracción de
características.

Tema 2. Test
30
8. En una carretera de velocidad máxima de 70 km/h se quiere poner un sensor para
contar el número de vehículos que pasan al día. Se opta por un sensor mecánico
que se insertará en el asfalto. De las siguientes opciones, ¿cuál sería la más óptima
desde un punto de vista funcional y económico, si lo único que interesa es detectar
el número de vehículos?
A. Un sensor con mucha especificidad capaz de distinguir el tipo de vehículo
(moto, coche, camión…); muy preciso, es capaz de detectar el peso y el número
de ocupantes; y muy sensible, se utiliza en Fórmula Uno para la línea de meta
y con un precio de 300 €.
B. Un sensor con mucha especificidad capaz de distinguir el tipo de vehículo;
poco preciso, posee un error de 300 kg; y suficientemente sensible como para
detectar vehículos a 200 km/h. Su precio es de 200 €.
C. Un sensor poco específico, solo detecta si algún objeto pasa por encima; muy
poco preciso con un error de 500 kg; con baja sensibilidad, usado en parkings
para detectar que se puede abrir la barrera de entrada/salida; y con un precio
de 50 €.
9. Decides comprar un dispositivo que es el mejor del mercado para capturar la voz,
aseguran que no tiene ningún tipo de ruido. ¿Es necesario, por lo tanto, realizar
alguna labor de pre-procesamiento o filtrado?
A. No, en ningún caso. Ya viene sin ruido, se pueden realizar labores de
procesamiento y extracción de características directamente.
B. Aunque no capture ruido, puede capturar información que no deseo (como
puede ser la voz de otra persona o el entorno), con que se debe de realizar una
labor de filtrado.
C. La segmentación es lo más adecuado, ya que es una mezcla de filtrado y
preprocesamiento.

Tema 2. Test
31
10. ¿En qué caso se puede considerar un sistema de percepción computacional sin
módulo de toma de decisión?
A. En aquellos casos donde una extracción de características pueda ayudar a
otro sistema a aprender o dar soporte en la toma de decisión.
B. En ninguno, siempre es necesario un módulo de toma de decisión.
C. Solo donde no se realiza filtrado ni pre-procesamiento.

Tema2

Recomendados

Recomendados

Más contenido relacionado

Similar a Tema2

Similar a Tema2 (20)

Último

Último (6)

Tema2